SentenceTransformer based on intfloat/multilingual-e5-small

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: intfloat/multilingual-e5-small
Maximum Sequence Length: 512 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("masa-research/e5-preskripsi-20250119_072207")
# Run inference
sentences = [
    'query: Is this Indonesian news article positively impact the Komisi Pemilihan Umum?',
    'passage: Dugaan Kebocoran Data Pemilih di Server KPU Mencuat. Investigasi menunjukkan adanya celah keamanan yang berpotensi membahayakan privasi jutaan pemilih. Kekhawatiran muncul terkait penyalahgunaan data untuk kepentingan politik tertentu.',
    'passage: Momen Menko Marves Luhut Pandjaitan Beri Bibit Mangrove ke Paus Fransiskus di Gereja Katedral Jakarta. JawaPos.com - Menteri Koordinator (Menko) Maritim dan Investasi (Marves) Luhut Binsar Pandjaitan hadir di hadapan Pemimpin Tertinggi Gereja Katolik se-Dunia Paus Fransiskus di Gereja Katedral Jakarta. Pantauan JawaPos.com di lokasi, Luhut menghampiri Paus Fransiskus ketika sesi pemberian hadiah terhadap orang nomor satu di Vatikan tersebut. Dengan mengenakan baju batik berwarna biru lengan panjang, Luhut tampak membungkukkan diri dan sempat mencium tangan Paus. Tampak di depan Paus sudah ada pot yang bersisikan setangkai bibit pohon mangrove. Ia tampak berbincang sesaat dengan Paus yang posisinya tak bergeming duduk di kursi rodanya. Selain memberikan tangkai pohon mangrove, Luhut juga kemudian terlihat memberikan sebuah kotak yang belum diketahui berisi apa. Tak berapa lama, Luhut pun kemudian undur diri di hadapan Paus Fransiskus di lokasi tersebut. Sebelumnya, Pemimpin Tertinggi Gereja Katolik se-Dunia Paus Fransiskus tiba di Gereja Katedral, Jakarta Pusat. Ia disambut teriakan umat yang sudah menanti di bagian luar hingga anak-anak yang membentuk jalur masuk untuknya. Pantauan JawaPos.com di lokasi, ratusan masyarakat yang tak memiliki akses untuk masuk ke dalam Katedral sudah berkumpul sejak siang di bagian luar gerbang. Saat mobil rombongan Paus tiba, sorakan riang mereka santer terdengar hingga ke dalam. Sementara itu, anak-anak yang mengenakan bawahan batik terus bersenandung ria di tengah terik matahari. Mereka menyanyikan lagu-lagu untuk menyambut Paus yang dikenal mencintai anak-anak tersebut. Saat tiba, Paus tampak duduk di kursi roda sambil didorong oleh ajudannya. Ia terlihat mengenakan pakaian serba putih dan zuccheto-nya yang khas.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

Dataset: cosine_similarity_eval
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.5111
spearman_cosine	0.509

Training Details

Training Dataset

Unnamed Dataset

Size: 37,469 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 17 tokens
mean: 23.13 tokens
max: 44 tokens

min: 32 tokens
mean: 425.54 tokens
max: 512 tokens

min: 0.0
mean: 0.62
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 17 tokens mean: 23.13 tokens max: 44 tokens	min: 32 tokens mean: 425.54 tokens max: 512 tokens	min: 0.0 mean: 0.62 max: 1.0

Samples:

sentence_0	sentence_1	label
`query: Is this Indonesian news article related or relevant to the rumah sakit polri kramat jati?`	passage: Serah Terima Jenazah Wanita Korban Mutilasi Tanpa Kepala Tunggu Hasil Pencocokan Bagian Tubuh. Tangerang, VIVA - Keluarga Sinta Handiyana, korban mutilasi yang ditemukan tanpa kepala di Muara Baru Jakarta Utara, masih menunggu hasil pencocokan bagian tubuh sebelum nantinya diserahterimakan kepada pihak keluarga.Hingga saat ini, jenazah masih berada di Rumah Sakit Polri Kramat Jati, Jakarta Selatan untuk proses pencocokan DNA."Info terakhir masih butuh data forensik karena bagian tubuh yang terpisah di dua lokasi yang beda, dari kami keluarga kami masih tunggu hasil DNA dari tubuh masing-masing untuk pencocokan," kata adik kandung korban, Muhammad Santoso, Kamis, 31 Oktober 2024.Pihak keluarga berharap proses pencocokan segera selesai. Dengan begitu, pihak keluarga bisa segera memakamkan jenazah korban tersebut."Saya harap cepat selesai, dan bisa dimakamkan. Kami sudah siapkan tempat di Pemakaman Mede," ujarnya.Sementara itu, adik ipar korban, Zulfikri mengatakan, pihak kepolis...	`0.0`
`query: Is this Indonesian news article related or relevant to the Lembaga Pembiayaan Ekspor Indonesia (LPEI)?`	passage: Dugaan Fraud Rp 2,5 Triliun, Sri Mulyani Beri Peringatan ke LPEI. JAKARTA, KOMPAS.com - Menteri Keuangan Sri Mulyani Indrawati memberikan peringatan kepada manajemen Lembaga Pembiayaan Ekspor Indonesia (LPEI). Ini disampaikan setelah Sri Mulyani menyampaikan temuan dugaan debitor bermasalah terindikasi curang alias fraud di LPEI senilai Rp 2,5 triliun. Bendahara negara menegaskan, direksi dan manajemen LPEI harus menjalankan tata kelola perusahaan yang baik dengan komitmen penuh pemberantasan korupsi. Hal ini mengingat pentingnya peranan LPEI dalam aktivitas ekspor nasional. "Kami terus menegaskan kepada direksi dan manajemen LPEI untuk terus meningkatkan peranannya dan tanggung jawabnya dan harus membangu tata kelola yang baik," kata dia, dalam konferensi pers di Kejaksaan Agung, Jakarta, Senin (18/3/2024). "Zero tolerance terhadap pelanggaran hukum korupsi, konflik kepentingan, dan harus menjalankan sesuai mandat Undang-Undang Nomor 2 Tahun 2009," sambungnya. Selain itu, Sri...	`1.0`
`query: Is this Indonesian news article related or relevant to the Kapolri?`	passage: KKP ungkap modus operandi penangkapan ikan ilegal sepanjang 2023. Modus operandi praktik IUU Fishing, kapal ikan asing (KIA) tidak mengibarkan bendera kebangsaan, seluruh anak buah kapal (ABK) KIA bersembunyi di dalam kapal sehingga tampak kosong Jakarta (ANTARA) - Kementerian Kelautan dan Perikanan (KKP) mengungkapkan, sepanjang 2023 modus operandi praktik penangkapan ikan ilegal dan tidak sesuai aturan atau illegal, unreported and unregulated (IUU Fishing) meliputi lima modus. “Modus operandi praktik IUU Fishing, kapal ikan asing (KIA) tidak mengibarkan bendera kebangsaan, seluruh anak buah kapal (ABK) KIA bersembunyi di dalam kapal sehingga tampak kosong,” ujar Ketua Tim Kerja Pembinaan dan Pengembangan Pengawasan Sumber Daya Perikanan Ditjen Pengawasan Sumber Daya Kelautan dan Perikanan (PSDKP) KKP Hedhi Sugrito Kuncoro dalam webinar di Jakarta, Kamis. Modus lain, tambah dia yakni alat penangkapan ikan (API) KIA masih tetap dioperasikan sebagai pencegahan manuver kapal pat...	`1.0`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
num_train_epochs: 2
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 2
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: None
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss	cosine_similarity_eval_spearman_cosine
0.4270	500	0.1916	0.2879
0.8540	1000	0.1406	0.4812
1.0	1171	-	0.4695
1.2810	1500	0.1186	0.4843
1.7079	2000	0.1082	0.4974
2.0	2342	-	0.5090

Framework Versions

Python: 3.11.11
Sentence Transformers: 3.3.1
Transformers: 4.47.1
PyTorch: 2.5.1+cu121
Accelerate: 1.2.1
Datasets: 3.2.0
Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

masa-research
/

e5-preskripsi-20250119_072207